Estimación de la granulometría de carga gruesa superficial mediante fotografías de alta resolución tomadas por UAV

José Ramón Martínez Batlle, UASD

XVIII Jornada de Investigación Científica, UASD
12, 13 y 14 de noviembre, 2019
Santo Domingo, República Dominicana
https://geofis.github.io/granulometria-aluvial-superficial-mediante-uav/

Producción del último año

Clusters of high abundance of plants detected from local indicators of spatial association (LISA) in a semi-deciduous tropical forest Drainage Rearrangement as a Driver of Geomorphological Evolution During the Upper Pleistocene in a Small Tropical Basin

Introducción

Carga gruesa

  • La carga gruesa son materiales de dimensiones mayores a las del grano de arena, transportados por cursos fluviales mediante reptación, arrastre o saltación.

  • Esta carga suele depositarse en el lecho del río, pero también ocupa bancos laterales y bancos medianos en cursos de montaña y/o estacionales.

  • La carga gruesa es una huella dactilar del río, revela su régimen de crecidas/inundaciones, así como las características geológicas y geomorfológicas de su cuenca.

Según Bunte & Abt (2001)

Según Bunte & Abt (2001)

Objetivo

  • Evaluar la precisión de mediciones de clastos realizadas en terreno (ground truth) contra mediciones realizadas con técnicas fotogramétricas (semiautomáticas).

Metodología

Materiales

  • Drone + cámara.

  • Cinta de medir.

  • Dispositivo Android.

  • QGIS + OpenDroneMap + ImageJ + GDAL + ODK + R

Flujo de trabajo

Resultados

  • Dos visitas entre julio y septiembre de 2019, para cubrir un área de ~10x15 m en un banco lateral del río Mana, proximidades de La Represa-El Cidral, Villa Altagracia.

  • En la primera visita, a modo de prueba, se utilizó un plan vuelo a 10 m de altura para el drone. Se procesaron las imágenes y se determinó la altura de vuelo/GSD idónea, así como el tamaño de las etiquetas a colocar a los clastos. En esta visita también se midieron 100 clastos con cinta métrica para aplicar ground truth, las cuales mostraron correlación (de forma combinada) con las mediciones tomadas de la ortofoto.

  • En la segunda visita se realizaron dos vuelos manuales sobre las 10 am, uno a 3 m (vuelo bajo) y otro a 5 m (vuelo medio).

  • En el vuelo bajo se colectaron ~200 imágenes (GSD 0.8 mm), se realizó restitución y se generaron DSM, ortofoto (1 mm de resolución, y remuestre posterior a 3 mm) y otros productos.

  • En el vuelo medio se tomaron ~100 imágenes, las cuales se restituyeron pero simplemente se reservaron, dado que las del vuelo bajo eran idóneas para el objetivo propuesto.

  • Para ground truth, en esta visita se midieron 76 clastos con cinta métrica.

Ground truth

Ground truth

Ground truth

key value
a_groundt_mean 289.67
b_groundt_mean 208.26
a_groundt_median 222.50
b_groundt_median 160.00
a_groundt_sd 240.36
b_groundt_sd 189.43

Mediciones semiautomáticas

## Número de rectángulos delimitadores: 11653
key value
a_auto_mean 275.51
b_auto_mean 268.57
a_auto_median 218.44
b_auto_median 222.32
a_auto_sd 186.43
b_auto_sd 217.75

Mediciones semiautomáticas

Mediciones semiautomáticas

Estadísticos comparados, correlación y diferencias entre ground truth y metodología semiautomática

Estadísticos comparados

key value key value
a_groundt_mean 289.67 a_auto_mean 275.51
b_groundt_mean 208.26 b_auto_mean 268.57
a_groundt_median 222.50 a_auto_median 218.44
b_groundt_median 160.00 b_auto_median 222.32
a_groundt_sd 240.36 a_auto_sd 186.43
b_groundt_sd 189.43 b_auto_sd 217.75

Correlación

## 
##  Welch Two Sample t-test
## 
## data:  autogt$a_auto and autogt$a_groundt
## t = -0.28937, df = 135.53, p-value = 0.7727
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -80.77942  60.15706
## sample estimates:
## mean of x mean of y 
##  275.5107  285.8219
## 
##  Welch Two Sample t-test
## 
## data:  autogt$b_auto and autogt$b_groundt
## t = 1.871, df = 141.08, p-value = 0.06342
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##   -3.569879 129.675935
## sample estimates:
## mean of x mean of y 
##  268.5736  205.5205

## 
##  Paired t-test
## 
## data:  autogt$a_auto and autogt$a_groundt
## t = -0.83672, df = 72, p-value = 0.4055
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -34.87734  14.25498
## sample estimates:
## mean of the differences 
##               -10.31118
## 
##  Paired t-test
## 
## data:  autogt$b_auto and autogt$b_groundt
## t = 5.1487, df = 72, p-value = 2.193e-06
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  38.64018 87.46588
## sample estimates:
## mean of the differences 
##                63.05303

Fallos:

  • Falsos negativos: clastos codificados como “017”, “050” y “074”.

  • El eje b no siempre se logra capturar adecuadamente.

  • Una cantidad aun no cuantificada de falsos positivos

Discusión y perspectivas

Discusión

  • Los falsos positivos, los falsos negativos y las imprecisiones en el eje b, pueden mejorarse sobrevolando en horarios de mediodía.

  • Igualmente, se lograrían mejores rectángulos delimitadores, utilizando segmentando con técnicas de machine learning.

  • Una desventaja remarcable es la capacidad de cómputo requerida para la restitución fotogramétrica. Esta limitante puede solventarse adquiriendo servicios en la nube, una alternativa sólo viable si la demanda es esporádica. En caso de demanda recurrente, es preferible disponer de estación de trabajo con suficientes recursos de memoria.

  • La metodología demuestra ser viable para superficies con exposición directa al sol.

  • Bajo dosel, o con plantas arbustivas, la segmentación generaría resultados inapropiados o difícilmente aprovechables.

  • La metodología propuesta, por su bajo coste, es una alternativa idónea para evaluar la granulometría de carga gruesa superficial, pudiendo ser útil para la detección de los peligrosos depósitos de debris flows.

Perspectivas

  • Aplicar la metodología a superficies menos desafiantes (sin arbustos, con mejor iluminación), pero más grandes.

  • Introducir algoritmos de machine learning en la segmentación (e.g. Weka).

  • Añadir la capa de DSM para afinar mejor la segmentación de clastos.

  • Analizar forma del clasto, ángulos de los ejes y evaluar tipología litológica.

  • Combinar con geomórfonos.

Referencias

Bunte, K., & Abt, S. R. (2001). Sampling surface and subsurface particle-size distributions in wadable gravel-and cobble-bed streams for analyses in sediment transport, hydraulics, and streambed monitoring. Gen. Tech. Rep. RMRS-GTR-74. Fort Collins, CO: US Department of Agriculture, Forest Service, Rocky Mountain Research Station. 428 P., 74.